Você está na página 1de 26

INTRODUCCIN A LOS MTODOS DEL

ANLISIS DE REDES SOCIALES.


CAPTULO PRIMERO
Robert A. Hanneman. Departmento de Sociologa de la
Universidad de California Riverside



2
NOTA PREVIA
Este documento est traducido para la lista REDES con permiso del autor a partir de
la versin electrnica disponible en
<http://wizard.ucr.edu/~rhannema/networks/text/textindex.html< [Fecha de consulta:
Octubre de 2000].
La traduccin se ha realizado por bloques. En este documento se presenta el primer
captulo, traducido por Maria ngela Petrizzo y revisado por Jos Luis Molina.
Lazos y relaciones, datos de redes y datos reticulares son utilizados en la traduccin
como expresiones equivalentes.

3
SOBRE ESTE LIBRO
Este libro introduce muchos de los enfoques del anlisis formal de las redes sociales,
proporcionando breves referencias y ejemplos de la mayora de sus reas de
desarrollo ms importantes. El texto se apoya en las obras de Freeman, Borgatti y
Everett (los autores del programa UCINET). Los materiales y su organizacin, estn
inspirados en el texto de Wasserman y Faust, y en un seminario de postgrado dirigido
por el profesor Phillip Bonacich en la UCLA en 1998. Los errores y omisiones, por
supuesto, son responsabilidad del autor.
TABLA DE CONTENIDOS
1. Los datos de las redes sociales.
2. Por qu mtodos formales?
3. Utilizando grficos para representar relaciones sociales.
4. Utilizando matrices para representar relaciones sociales.
5. Propiedades bsicas de las redes y los actores
6. Centralidad y poder.
7. Camarillas y subgrupos.
8. Posiciones en la red y roles sociales: el anlisis de la equivalencia.
9. Equivalencia estructural.
10. Equivalencia automrfica.
11. Equivalencia regular.
Bibliografa de trabajos relacionados con (o ejemplos de) mtodos de redes
sociales.


4
CAPTULO I . LOS DATOS DE LAS REDES SOCIALES.
INTRODUCCIN: SON DIFERENTES LOS DATOS DE LAS REDES
SOCIALES?
De entrada, no hay nada inusual en los datos utilizados en el anlisis de redes
sociales Es cierto que quienes trabajan con redes utilizan un lenguaje especializado
para describir la estructura y los contenidos de los conjuntos de observaciones
estudiados, pero los datos de redes tambin pueden describirse y entenderse
utilizando las perspectivas y los conceptos propios de mtodos ms familiares como la
investigacin sociolgica tradicional (cross-sectional survey research).
Sin embargo, a menudo los datos que los investigadores en redes sociales estudian
resultan muy distintos de la tradicional matriz rectangular tan familiar para los
investigadores y el anlisis estadstico. Las diferencias son importantes porque nos
llevan a observar los datos de una manera distinta y tambin a pensar de manera
distinta-- sobre cmo aplicar los procedimientos estadsticos.
Los datos sociolgicos convencionales estn compuestos por una matriz rectangular
con mediciones. Las filas de la matriz son los casos, sujetos u observaciones. Las
columnas son las puntuaciones (cuantitativas o cualitativas) de los atributos, variables
o mediciones. Entonces, cada celda de la matriz describe la puntuacin de algn actor
con respecto a algn atributo. En algunos casos, estas matrices pueden tener una
tercera dimensin que representa los cuadros de observaciones de mltiples grupos.

Nombre Sexo Edad Grado de Inclusin
Bob Hombre 32 2
Carol Mujer 27 1
Ted Hombre 29 1
Alice Mujer 28 3



5
La estructura de datos fundamental es aquella que permite comparar qu tan
parecidos o diferentes son los actores entre s en base a los atributos (comparando
las filas). O quiz ms frecuentemente, examinemos qu tan parecidas o diferentes
son las variables entre s (comparando las columnas).
Los datos de la red (en su forma ms pura), constituyen una matriz cuadrada de
mediciones. Las filas de la matriz son los casos, sujetos y observaciones. Las
columnas son el mismo conjunto de casos, sujetos y observaciones all est la
diferencia clave con los datos convencionales. En cada celda de la matriz se describe
una relacin entre los actores.

Quin dice relacionarse con quin?
Eleccin
Informante Bob Carol Ted Alice
Bob --- 0 1 1
Carol 1 --- 0 1
Ted 0 1 --- 1
Alice 1 0 0 ---

Podemos observar esta estructura de datos de la misma forma que los datos
atributivos. Comparando las filas de la matriz, podemos observar qu actores se
parecen a otros en la persona que han escogido. Mirando a las columnas, podemos
ver quin es parecido a quin en trminos de haber sido escogido por los dems.
Estas formas son muy tiles para observar los datos, puesto que sirven para ver
aquellos actores que tienen posiciones similares en la red. Este es el primer punto
importante del anlisis de redes: buscar qu actores est ubicados o insertados en la
red.
Pero a un analista de redes sociales tambin le gusta mirar la estructura de datos de
una forma distinta: globalmente. El analista puede notar que en la matriz existen
cantidades iguales de ceros y unos. Esto sugiere que hay una densidad moderada

6
de preferencias. Tambin puede comparar las celdas que estn por encima y por
debajo de la diagonal para mirar si hay reciprocidad entre las opciones (por ejemplo:
Bob escogi a Ted pero Ted escogi a Bob?). ste es el segundo punto
importante del anlisis de redes: buscar cmo la estructura de las opciones
individuales se abstrae en patrones ms generales.
Es posible pensar en los datos de la red social en los mismos trminos que los datos
convencionales. Uno puede pensar que las filas son simplemente una lista de casos,
y las columnas atributos de cada actor (por ejemplo, las relaciones con otros actores
podran verse como atributos de cada actor). De hecho, muchas de las tcnicas
utilizadas por los analistas de redes (como el clculo de correlaciones y distancias) se
aplican exactamente de la misma forma en datos de red y en datos convencionales.
Sin embargo, mientras pueden considerarse los datos de la red como una forma
especial de datos convencionales (y de hecho lo son), los analistas de redes observan
los datos de redes de forma diferente. Ms que pensar en cmo la relacin de un
actor con los dems describe el atributo de su ego, los analistas de redes observan
la estructura de conexiones en la que el actor se encuentra involucrado. Los actores
se describen a travs de sus relaciones, no de sus atributos. Y las relaciones en s
mismas son tan fundamentales como los actores que se conectan a travs de ellas.
La mayor diferencia entre los datos convencionales y los reticulares, es que los datos
convencionales se centran en actores y atributos mientras los datos de red se centran
en actores y relaciones. La diferencia en el nfasis es muy importante para las
opciones que el investigador debe tomar en el diseo de la investigacin, en el
muestreo controlado, el desarrollo de mediciones y en el manejo de los datos
resultantes. No se trata que las herramientas de investigacin sean distintas entre los
analistas de redes y los cientficos sociales (a menudo no lo son). Se trata de que los
propsitos especficos y el nfasis de la investigacin de redes sociales implican
consideraciones diferentes.
En este captulo, estudiaremos algunos de los temas que han surgen en el diseo,
muestreo y medicin de redes sociales. Nuestra discusin se centrar en los dos
aspectos de los datos de la red: los nodos (o actores) y las lneas (o relaciones).
Trataremos de mostrar algunas de las formas en las que los datos de redes son
similares o diferentes de los datos de actores y sus atributos ms familiares.
Introduciremos algunos trminos nuevos que facilitan la descripcin de las
caractersticas especiales de los datos reticulares. Finalmente, discutiremos con

7
brevedad cmo las diferencias entre los datos reticulares y los de actor-atributo son
importantes en la aplicacin de las herramientas estadsticas.
NODOS
Los datos de red se definen por actores y por relaciones (o por nodos y por vnculos).
La parte de los datos de la red correspondiente a nodos o actores debera ser
bastante precisa. Otros enfoques empricos en ciencias sociales tambin trabajan en
trminos de casos, sujetos o elementos representativos y semejanzas. Sin embargo,
existe una diferencia en la mayora de los datos de redes de hecho se convierte en
una gran diferenciay es la forma en la que los datos son recogidos comnmente y
en la que son estudiadas las poblaciones y muestras.
El anlisis de redes se centra en las relaciones entre los actores, y no en los actores
individuales y sus atributos. Esto significa que los actores a menudo no son
muestreados de forma independiente, como en muchos otros tipos de estudios (ms
frecuentemente en encuestas). Supongamos que estudiamos los vnculos de amistad,
por ejemplo. John ha sido escogido para estar en nuestra muestra. Cuando le
preguntamos a l, John identifica siete amigos. Tambin necesitamos rastrear a cada
uno de esos siete amigos, y preguntarles sobre sus vnculos de amistad. Los siete
amigos estn en nuestra muestra en tanto que John lo est (y viceversa). Por tanto,
los elementos de la muestra no son en absoluto independientes.
Los nodos o actores incluidos en estudios que no son de redes, tienden a ser el
resultado de un muestreo probabilstico independiente. Los estudios de redes intentan
incluir todos los actores que se muestran en un lmite (que a menudo se muestra de
forma natural). Con frecuencia los estudios de redes no utilizan muestras en
absoluto, al menos en el sentido convencional. Al contrario, intentan incluir todos los
actores en una poblacin o poblaciones determinada(s). Por supuesto, las poblaciones
incluidas en un estudio de red pueden ser una muestra de un conjunto grande de
poblaciones. Por ejemplo, cuando estudiamos los patrones de interaccin entre
estudiantes en las clases, incluimos todos los nios que estn en el saln de clases
(es decir, estudiamos la totalidad de la poblacin del aula). El aula en s misma, debe
seleccionarse a travs de mtodos probabilsticos dentro de una poblacin de aulas
(todas las de una escuela)


8
El uso de poblaciones completas como forma de seleccionar observaciones en
muchos estudios de redes, hace que sea importante para el analista tener claros los
lmites de cada poblacin que vaya a ser estudiada y la forma en la que se
seleccionarn, de entre esa poblacin, las unidades individuales de observacin. El
anlisis de redes frecuentemente implica diferentes niveles de anlisis, con actores
agrupados en un nivel inferior (por ejemplo, la red puede describirse de forma
anidada).

POBLACIONES, MUESTRAS Y LMITES
Como hemos dicho, rara vez los analistas de redes sociales disean muestras. Muy a
menudo, identifican una poblacin y dirigen un censo (por ejemplo, incluyen todos los
elementos de la poblacin como unidades de observacin). Un analista puede
examinar todos los sustantivos y objetos presentes en un texto, todas las personas en
una fiesta de cumpleaos, todos los miembros de un grupo de parientes, de una
organizacin, de un vecindario o una clase social (por ejemplo, los propietarios de
tierras en una regin, o reino).
Los mtodos de investigacin emprica a menudo utilizan un enfoque muy distinto
para decidir qu nodos estudiar. Se hace una lista de todos los nodos (a veces
estratificada o agrupada) y se seleccionan los elementos individuales por mtodos
probabilsticos. La lgica del mtodo trata a cada individuo como una rplica
separada, es decir, en cierto modo intercambiable con cualquier otro.
Debido a que los mtodos de redes se centran en las relaciones entre los actores,
stos no pueden ser muestreados independientemente para incluirlos como
observaciones. Si un actor llega a ser seleccionado, han de incluirse todos los actores
con los cuales ste tiene (o puede tener) relaciones. Como resultado, los enfoques de
red intentan estudiar poblaciones totales a travs del censo, ms que a travs de la
muestra (discutiremos brevemente algunas excepciones de esto en el apartado de
muestreo de relaciones).
Las poblaciones que los analistas de redes estudian son notablemente diversas. En
un extremo, pueden constar de smbolos en textos o sonidos en pronunciaciones; en
el otro, naciones en el mundo y sistemas de estados pueden constituir la lista de
nodos. Quizs las mas comunes, por supuesto, son aquellas formadas por personas

9
individuales. En cada caso, sin embargo, los elementos de la poblacin a ser
estudiada se definen a travs de algn lmite.
Los lmites de las poblaciones estudiadas por los analistas de redes pueden ser,
bsicamente, de dos tipos. El primero de ellos, probablemente el ms comn, es el
que viene creado o impuesto por los propios actores. Todos los miembros de una
aula, organizacin, club, vecindario o comunidad pueden constituir una poblacin de
este tipo. Son esto grupos o redes articuladas de manera natural. Por tanto, los
estudios de redes sociales trazan a menudo en cierto modo los lmites alrededor de
una poblacin que se sabe, a priori, que es una red. Alternativamente, un analista de
redes puede asumir un enfoque ms demogrfico o ecolgico para definir los
lmites de la poblacin. Podemos disear observaciones contactando toda la gente
que se encuentra en un rea espacial delimitada, o a quienes poseen un cierto rasgo
(por ejemplo, tener un ingreso familiar de alrededor de un milln de dlares al ao). En
este caso hay motivos para sospechar que la red existe, pero la entidad a ser
estudiada es una agregacin abstracta impuesta por el investigador ms que un
patrn de accin social institucionalizada que haya sido identificado y etiquetado por
sus participantes.
Los analistas de redes pueden expandir los lmites de sus estudios haciendo rplicas
de las poblaciones. Ms que estudiar un vecindario, a menudo se estudian varios.
Este tipo de diseo (que puede utilizar mtodos de muestreo para seleccionar las
poblaciones), permite la replicacin y la verificacin de hiptesis a travs de la
comparacin de poblaciones. Una segunda, y tambin muy importante forma en la
que los estudios de redes expanden su mbito es a travs de la inclusin de mltiples
niveles o modalidades de anlisis.
MODALIDADES Y NIVELES DE ANLISIS
El analista de redes tiende a ver a las personas inmersas en redes de relaciones
directas con otras personas. A menudo, estas redes de relaciones interpersonales se
convierten en hechos sociales y toman vida propia. Una familia, por ejemplo, es una
red de relaciones cercanas entre un conjunto de personas. Pero esta red en particular,
ha sido institucionalizada y ha recibido un nombre y una realidad ms all de los
nodos que la componen. Los individuos en sus relaciones de trabajo pueden ser
observados como inmersos en organizaciones; en sus relaciones de ocio pueden
estar inmersos en asociaciones voluntarias. Los vecindarios, comunidades y aun las

10
sociedades son, con variedad de grados, entidades sociales en s mismas. Y, como
entidades sociales, pueden formar lazos con los individuos inmersos con ellas y con
otras entidades sociales.
A menudo, los conjuntos de datos de redes describen los nodos y las relaciones entre
stos para una sola poblacin delimitada. Si se estudian los patrones de amistad entre
los estudiantes en una aula, estaramos haciendo un estudio de este tipo. Pero un
aula est dentro de una escuela que puede ser vista como una red de clases
relacionadas entre s y otros actores (directores, administradores, bibliotecarios,
etctera). Y estas escuelas existen en distritos escolares, los cuales pueden verse a
su vez como redes de escuelas y otros actores (comits escolares, grupos de
investigacin, departamentos de personal y adquisiciones). Puede incluso, haber
patrones de relaciones entre los distritos escolares (a travs de intercambio de
escolares, profesores, materiales curriculares, etctera).
La mayor parte de quienes trabajan con redes ven a las personas como enlazadas a
redes, que estn enlazadas a redes que a su vez estn tambin enlazadas a redes.
Describen tales estructuras como multimodales. En nuestra escuela del ejemplo, los
estudiantes individuales y los profesores forman un modo, las aulas de clases otro
modo, las escuelas un tercer modo, y as sucesivamente. Un conjunto de datos que
contiene informacin sobre dos tipos de entidades sociales (por ejemplo personas y
organizaciones) es una red de dos modos.
Por supuesto, este tipo de perspectiva de la naturaleza de las estructuras sociales no
es nica de los investigadores de redes. El anlisis estadstico se ocupa de los mismo
temas en sus diseos jerrquicos o anidados. Los tericos hablan de los niveles
macro-meso-micro de anlisis, o desarrollan esquemas para identificar diferentes
niveles de anlisis (el mas usual en sociologa es individual, grupal, organizacional,
comunitario, institucional, social y orden global). Una ventaja de la perspectiva de
redes es que de una forma natural predispone al analista a focalizar en mltiples
niveles de anlisis simultneamente. Esto es, el analista de redes est siempre
interesado en cmo el individuo est integrado en una estructura y cmo la estructura
emerge de las micro relaciones entre partes individuales. La habilidad de los mtodos
de redes para representar tal relacin multimodal es, al menos potencialmente, un
paso adelante en el rigor del anlisis.
Habiendo afirmado que los mtodos de redes sociales son particularmente adecuados
para trabajar con mltiples niveles de anlisis y estructuras de datos multimodales,

11
debe admitirse que los analistas de redes rara vez aprovechan esta caracterstica. La
mayora de los anlisis de red no se mueven ms all del simple micro o macro
reduccionismo y es correcto. Pocos anlisis en todo caso de redes han intentado
trabajar con ms de dos modos simultneamente. Y, an cuando ha sido as, la
estrategia ms comn ha sido examinarlos de forma ms o menos separada (una
excepcin es el anlisis conjunto de redes de dos modos)

RELACIONES
La otra parte de la investigacin de datos reticulares tiene que ver con qu lazos o
relaciones sern medidas en los nodos seleccionados. En este punto hay dos temas
importantes que discutir. En muchos estudios de redes se estudian todos los lazos, o
un tipo especfico entre todos los nodos seleccionados es decir, se realiza un censo.
Pero, a veces se utilizan diferentes enfoques (porque son menos costosos o porque
es necesario generalizar), es decir, un muestreo de relaciones. A veces en los datos
de la red tambin hay otro tipo de muestreo de relaciones. Cualquier conjunto de
actores puede estar conectado con diferentes tipos de lazos y relaciones (por ejemplo,
los estudiantes en un aula de clases pueden gustar o no de los dems, pueden o no
jugar juntos, pueden o no compartir la misma comida, etctera). Cuando se recogen
los datos de la red, con frecuencia se seleccionan, o muestrean, los tipos de
relaciones que sern medidos entre un conjunto de tipos de relaciones.

MUESTREO DE RELACIONES
Dado un conjunto de actores o nodos, hay algunas estrategias para decidir cmo
actuar en la recoleccin de medidas de las relaciones existentes. Al final de la gama
de enfoques, se encuentran los mtodos de redes completas. Este enfoque aporta el
mximo de informacin, pero tambin es costoso y difcil de utilizar y puede ser de
difcil generalizacin. En el otro extremo se encuentran mtodos muy parecidos a los
utilizados en la investigacin emprica convencional. Estos enfoques aportan
considerablemente menos informacin sobre la estructura de la red, pero a menudo
son menos costosos y tambin facilitan la generalizacin desde las observaciones en
la muestra hacia el total de la poblacin. Sin embargo, no existe un mtodo correcto
para todos los problemas y preguntas de investigacin.

12
Los Mtodos de redes completas requieren que se recoja informacin acerca de los
lazos de cada actor con los dems. En esencia, este enfoque utiliza un censo de los
lazos en una poblacin de actores ms que un muestreo de stos. Por ejemplo,
podemos recoger datos sobre el comercio de cobre entre pares de naciones-Estado
en el sistema mundial, tomndolos de los datos del FMI; podemos examinar las juntas
directivas de todas las corporaciones pblicas superponiendo a los directivos;
podemos examinar el nmero de vehculos que transitan entre pares de ciudades;
podemos mirar el flujo de correos electrnicos entre todos las pares de empleados de
una compaa; podemos decirle a cada nio en un grupo de juegos que identifique a
sus amigos entre los dems.
Ya que recolectamos informacin sobre lazos entre pares o dadas, los datos de redes
completas aportan una fotografa completa de las relaciones en la poblacin. La
mayora de los enfoques y mtodos especiales de anlisis de redes que discutiremos
a lo largo de este texto, fueron desarrollados para utilizarse con datos de redes
completas. Los datos de estas redes son necesarios para definirla apropiadamente y
para medir muchos de los conceptos estructurales del anlisis de red (por ejemplo el
grado de intermediacin)
Los datos de redes completas nos conducen a descripciones muy potentes y a
anlisis de estructuras sociales. Desafortunadamente, pueden tambin ser muy
costosos y difciles de obtener. Obtener datos de cada miembro de una poblacin y
tener cada rango o ndice de cada uno de los dems, pueden ser tareas desafiantes
para cualquier grupo, excepto para los pequeos. La labor se hace ms manejable
pidiendo a informantes que identifiquen un nmero limitado de individuos especficos
con los cuales stos tienen relaciones. Entonces, estas listas se compilan e
interconectan. Pero, para grupos grandes (por ejemplo, todas las personas de una
ciudad) la labor es prcticamente imposible.
En muchos casos, los problemas no son tan graves como puede pensarse. La
mayora de las personas, grupos y organizaciones, tienden a tener un nmero limitado
de lazos o al menos un nmero limitado de lazos fuertes. Esto probablemente se
deba a que los actores sociales tienen recursos limitados, energa, tiempo y capacidad
cognitiva y no pueden mantener un gran nmero de lazos fuertes. Tambin es cierto
que las estructuras sociales pueden desarrollar un grado considerable de orden y
solidaridad con relativamente pocas conexiones.

13
Los mtodos de bola de nieve comienzan focalizando un actor o conjunto de
actores, a cada uno de los cuales se les pregunta por algunos de sus lazos con otros
actores. Entonces, se toman todos los actores mencionados (que no sean parte de la
lista original) y se les pregunta de nuevo por algunos de sus lazos. El proceso
contina hasta que no se identifiquen nuevos actores o hasta que se decida detenerlo
(a menudo por motivos de tiempo y recursos, o porque los nuevos actores
identificados son muy marginales con respecto del grupo que se intenta estudiar).
El mtodo de bola de nueve puede ser muy til para el seguimiento de poblaciones
especiales (a menudo subconjuntos de gente numricamente pequeos, mezclados
con otros ms grandes). Las redes de contactos de negocios, lites de la comunidad,
subculturas desviadas, filatlicos vidos, redes de parentesco y muchas otras
estructuras pueden ser efectivamente ubicadas y descritas a travs de mtodos de
bola de nieve. A veces no es difcil alcanzar la completitud en muestreos de bola de
nieve. Las limitaciones en los nmeros de lazos fuertes que tienen la mayora de los
actores, y la tendencia de los lazos a ser recprocos, a menudo facilitan la bsqueda
de lmites.
Hay dos grandes restricciones y debilidades potenciales de los mtodos de bola de
nieve. En primer lugar, los actores que no estn conectados (es decir, aislados) no
se pueden describir a travs de este mtodo. Su presencia y cantidad, puede ser una
caracterstica muy importante de las poblaciones para algunos propsitos analticos.
El mtodo de bola de nieve tiende a exagerar la conectividad y solidaridad de las
poblaciones de actores. En segundo lugar, no hay ninguna forma garantizada de
encontrar todos los individuos conectados dentro de la poblacin. Dnde echar a
rodar la bola de nieve? Si comenzamos en el lugar o lugares equivocado(s), podemos
perder todo los subconjuntos de actores que se encuentran conectados pero no
anexionados a nuestros puntos de partida.
Los enfoques de bola de nieve pueden reforzarse pensando con cuidado cmo
seleccionar los nodos iniciales. En muchos estudios puede haber un punto de partida
natural. En estudios sobre el poder en comunidades, por ejemplo, es comn comenzar
con los jefes ejecutivos de las organizaciones econmicas, culturales y polticas ms
grandes. Mientras este enfoque no pretenda considerar la mayor parte de la
comunidad (aquellos individuos que estn aislados de la lite de la red), el enfoque
identificar probablemente la lite social con bastante eficiencia.

14
Redes ego-cntricas (con conexiones a otros) . En muchos casos no ser posible
(o necesario) trazar la totalidad de las redes comenzando con nodos focales (como en
el mtodo de bola de nieve). Un enfoque alternativo es comenzar con una seleccin
de nodos focales (egos), e identificar los nodos con los que ellos estn conectados.
Entonces determinamos cules de los nodos identificados en la primera fase estn
conectados con los dems. Esto puede hacerse contactando cada uno de los nodos; a
veces podemos pedir a ego que nos informe qu nodos con los que est conectado
tienen lazos con otros.
Este tipo de enfoque puede resultar muy efectivo para obtener un formulario de datos
relacionales de poblaciones grandes y puede combinarse con enfoques basados en
los atributos. Por ejemplo, podemos tomar una muestra simple aleatoria de
estudiantes universitarios varones, y pedirles que identifiquen a sus amigos ms
cercanos y cules de stos conocen a otros. Este tipo de enfoque puede darnos una
imagen buena y fiable de los tipos de redes (o al menos de los vecindarios locales) en
los cuales se encuentra insertos los individuos. Podemos obtener resultados tales
como cuntos nodos de conexiones tienen y hasta qu puntos esos nodos forman
ncleos fuertes. Tales datos pueden ser muy tiles para entender las oportunidades y
restricciones que tienen los individuos, como resultado de la forma en la que estn
insertos en sus redes.
El enfoque egocntrico con conexiones a otros tambin puede aportar alguna
informacin sobre la red en su totalidad, vista no ya con un enfoque de censo o de
bola de nieve. Tales datos son, de hecho, conjuntos de datos de micro redes
muestreos de reas locales de redes grandes. Muchas propiedades de red distancia,
centralidad y varios tipos de equivalencia posicional-- no pueden evaluarse con datos
egocntricos. Sin embargo, algunas propiedades tales como la densidad de toda la
red pueden estimarse de razonablemente con datos egocntricos, mientras que otras,
como la prominencia de lazos recprocos, las camarillas y otras similares pueden ser
estimadas bastante directamente.
Redes Ego-cntricas (slo individuos)
Los mtodos egocntricos realmente se centran en el individuo ms que en la red
como un todo. Recolectando informacin de los vnculos entre los actores conectados
con cada individuo, podemos incluso hacer una buena fotografa de las redes locales
o vecindarios de individuos. Esa informacin es muy til para entender cmo las

15
redes afectan a los individuos, y ellos tambin proporcionan una fotografa
(incompleta) del entramado de la red como un todo.
Supongamos, sin embargo, que obtenemos informacin de los vnculos del individuo
con los otros, pero no sobre las conexiones entre esos otros individuos. Datos de este
tipo no constituyen realmente datos de una red como tal. Es decir, no pueden
representarse como una matriz cuadrada de lazos actor * actor. Pero no significa que
los datos egocntricos sin conexiones entre los otros no sirvan para que los analistas
utilicen un enfoque estructural o de red para entender a los actores. Podemos saber,
por ejemplo, que algunos actores tienen muchos amigos muy cercanos y parientes y
que otros tienen pocos. Sabiendo esto, podemos entender algo acerca de las
diferencias en la localizacin de los actores en la estructura social, y hacer algunas
predicciones sobre cmo esos puestos limitan su comportamiento. Lo que no
podemos saber con ninguna certeza, partiendo de datos egocntricos, es la
naturaleza de la estructura marco de la red en su totalidad.
En redes egocntricas, los individuos identificados y conectados con cada ego
probablemente son un conjunto que no est conectado con aquellos que si lo estn a
otros egos. Mientras no podamos valorar la densidad total de la conectividad de la
poblacin, debemos movernos en un mbito muy general. Si tenemos alguna razn
buena razn terica para pensar acerca de los otros en trminos de sus roles
sociales, ms que como ocupantes individuales de tales roles, las redes egocntricas
pueden decirnos mucho acerca de las estructuras sociales. Por ejemplo, si
identificamos cada uno de los otros conectados a un ego a travs de una relacin de
amistad como pariente, compaero de trabajo, miembro de la misma iglesia,
etctera, podemos construir una fotografa de las redes de las posiciones sociales
(ms que las redes de individuos) en las cuales se encuentran inmersos los egos. Tal
enfoque, por supuesto, asume que categoras como pariente son reales e
importantes para los patrones de interaccin.
RELACIONES MLTIPLES
En un conjunto de datos convencional del tipo actor * atributo, cada actor es descrito a
travs de muchas variables (y cada variable es atribuida a varios actores). En el tipo
ms comn de conjunto de datos de redes sociales sobre actor * relacin, slo se
describe un tipo de relacin. En tanto estemos interesados en mltiples atributos de

16
los actores, estaremos interesados en mltiples tipos de relaciones que conectan a
stos en la red.
Observando la red de relaciones en un departamento acadmico de una Facultad, por
ejemplo, estaremos interesados en qu profesores tienen estudiantes en comn,
prestan servicios a los mismos comits, son amigos fuera del lugar de trabajo, tienen
una o ms reas de especializacin en comn y son coautores de artculos. Las
posiciones que tienen los actores en la red de afiliaciones de grupos tienen mltiples
facetas. Las posiciones en un conjunto de relaciones pueden reforzar o contradecir las
posiciones en otro (uno puede compartir lazos de amistad con un conjunto de
personas con los cuales no se trabaja en comits, por ejemplo). Los actores pueden
estar enlazados a otros de forma cercana en una red relacional, pero pueden estar
muy distantes de otros en una red relacional diferente. Las ubicaciones de los actores
en redes multirelacionales y la estructura de redes compuestas de mltiples
relaciones, son unas de las reas ms interesantes y an relativamente poco
exploradas, del anlisis social .
Cuando recolectamos datos de redes sociales acerca de ciertos tipos de relaciones
entre actores, estamos, en cierto modo, haciendo un muestreo de una poblacin de
relaciones posibles. A menudo, nuestra teora y la pregunta de investigacin, indican
qu tipo de relaciones entre los actores consideramos ms importantes para el
estudio. En este caso no se hace un muestreo de relaciones, sino una seleccin de
stas. En un estudio vinculando la dependencia y el crecimiento econmicos, por
ejemplo, se podran recoger datos sobre el intercambio de espectculos de msicos
entre naciones --aunque probablemente estos datos no sean los ms relevantes.
Si no sabemos qu relaciones estudiar, cmo podemos decidirnos? Existen algunos
enfoques conceptuales que pueden ayudarnos. La teora de sistemas, por ejemplo,
sugiere dos dominios el material y el informacional.
Las cosas materiales se mantienen, en el sentido en que slo pueden ubicarse en un
nodo de la red cada vez. Los movimientos de personas entre organizaciones,
intercambio de dinero entre particulares, de automviles entre ciudades y otros
similares, son ejemplos de cosas materiales que se mueven entre nodos y, por ello,
establecen una red de relaciones materiales. Lo informacional, para los tericos de
sistemas no se mantiene, en tanto que puede estar en ms de un lugar al mismo
tiempo. Si yo s algo y lo comparto contigo, ambos lo sabremos. En cierto sentido, el
hecho de compartir informacin puede ser utilizado para establecer lazos entre dos

17
nodos. Sin embargo, hay que tener la precaucin de no confundir la simple posesin
de un atributo comn (por ejemplo el gnero) con la presencia de un lazo (por ejemplo
el intercambio de puntos de vistas entre dos personas acerca de temas de gnero).
Las metodologas para trabajar con datos multirelacionales no estn tan desarrolladas
como aquellas que trabajan con relaciones simples. Muchas reas de trabajo
interesantes tal como la correlacin de redes, escalado y agrupacin multidimensional,
y lgebra de roles se han desarrollado para trabajar con datos multirelacionales. La
mayor parte de estas temticas estn ms all del espacio cubierto por este texto y es
mejor abordarlos una vez se ha desarrollado el anlisis bsico de redes de relaciones
simples.

ESCALAS DE MEDIDA
Como otros tipos de datos, tambin la informacin que se recoge sobre los lazos entre
los actores puede ser medida en diferentes niveles de medicin (podemos por
ejemplo asignar puntuaciones a nuestras observaciones). Los diferentes niveles de
medicin son importantes, ya que limitan los tipos de preguntas que el investigador
puede plantearse. Las escalas de medida tambin son importantes ya que cada tipo
de escala tiene diferentes propiedades matemticas y exige la utilizacin de
algoritmos diferentes para describir patrones y ensayar inferencias sobre ellos.
Generalmente se distingue tres tipos de niveles de medicin: nominal, ordinal y de
intervalo (el nivel de razn puede, para cualquier propsito prctico, ser agrupado en
la categora intervalo). Es til, sin embargo, dividir la medida nominal en variaciones
binarias y de categora mltiple; tambin es til distinguir entre medidas ordinales de
rango completo y medidas ordinales agrupadas. Describiremos brevemente estas
variaciones y presentaremos ejemplos de cmo pueden aplicarse en estudios de
redes sociales.
Medidas binarias de relaciones. En la mayora de ocasiones para asignar nmeros
a relaciones es fcil distinguir entre relaciones ausentes (codificadas con un cero) y
lazos que estn presentes (codificados con un uno). Si le pedimos a informantes en
una encuesta que comenten con cules de estas otras personas de la lista
simpatiza?, estaremos haciendo una medicin binaria. Cada persona seleccionada de
la lista ser codificada con uno. Los no seleccionados estarn codificados con cero.

18
La mayor parte del desarrollo de la teora de grafos en matemticas y muchos
algoritmos para la medicin de propiedades de actores y redes, han sido desarrollados
a travs de datos binarios. Los datos binarios son ampliamente utilizados en anlisis
de redes, as que no es poco frecuente encontrar datos medidos en el nivel ms alto
transformados en puntuaciones binarias antes de proceder al anlisis. Para hacer
esto, uno simplemente selecciona algn punto de corte y vuelve a recodificar los
casos por debajo de ese punto (con cero) o por encima de l (con uno). Los datos
binarios implican desperdicio de informacin. El analista necesita considerar qu es
relevante (por ejemplo a qu se refiere la hiptesis? se refiere a la presencia de
estructuras de relaciones, o a la fortaleza de stos?), y qu algoritmos deben aplicarse
para decidir si es razonable recodificar los datos. Muy a menudo, el poder y
simplicidad del anlisis de datos binarios compensa la prdida de informacin.
Medidas nominales de categora mltiple de las relaciones En la recoleccin de
datos podemos pedir a nuestros informantes que miren una lista de individuos y nos
digan: para cada persona en la lista, qu categora que describe mejor su relacin
con ella: amistad, amor, relacin de negocios, parentesco o ninguna relacin.
Debemos puntuar cada persona en la lista segn tenga una relacin de tipo 1, 2
etctera. Este tipo de escala es nominal o cualitativa cada relacin de la persona
hacia el sujeto es codificada por su tipo, ms que por su fortaleza. A diferencia de los
datos binarios nominales (verdadero falso), la medida nominal de categora mltiple
es una seleccin mltiple.
El enfoque ms comn para analizar medidas nominales de categoras mltiples, es
utilizarlo para crear series de medidas binarias. Es decir, podemos tomar los datos a
partir de la pregunta anterior y crear conjuntos separados de puntuaciones por lazos
de amistad, por lazos sentimentales, por lazos de parentesco, etctera. Esto se
parece mucho a una codificacin simulada, como una forma de manejar muchos
tipos de medidas de seleccin mltiple en anlisis estadstico. Al examinar los datos
resultantes, sin embargo, puede recordarse que, en la mayora de las redes
resultantes, a cada nodo se le permite un solo tipo de relacin. Es decir, una persona
puede tener un lazo de amistad o uno sentimental pero no ambos- como resultado
de la forma en que hemos realizado la pregunta. Examinando las redes resultantes,
las densidades pueden bajar artificialmente, y existir una inherente correlacin
negativa entre las matrices.
Medidas ordinales agrupadas de relaciones: Una de las primeras tradiciones en el
estudio de redes sociales interroga a los informantes sobre el ndice en que otros les

19
agradan, desagradan o les son indiferentes. El resultado es una escala ordinal
agrupada (por ejemplo, puede haber ms de una persona que agrade y las
categoras reflejan una lnea importante en el orden de intensidad). A menudo, este
tipo de escala de tres puntos ha sido codificada: -1, 0 y +1, para reflejar el agrado
negativo, indiferencia y agrado positivo. Cuando se punta de esta forma, los signos
positivos y negativos, hacen ms fcil escribir algoritmos que tendrn en cuenta y
describirn diferentes propiedades de la red (por ejemplo el equilibrio estructural del
grafo).
Las medidas ordinales agrupadas pueden utilizarse para reflejar una gran cantidad de
diferentes aspectos cuantitativos de las relaciones. Los analistas de redes a menudo
estn involucrados en la descripcin de la fuerza de los lazos. Pero fuerza puede
significar muchas tipos de cosas diferentes. Una dimensin es la frecuencia de la
interaccin - los actores tienen contacto diariamente, semanalmente, mensualmente,
etctera. Otra dimensin es la intensidad, lo cual a menudo refleja el grado de
implicacin emocional asociado con la relacin (por ejemplo, los lazos de parentesco
pueden ser infrecuentes, pero implican una carga emocional debido a la expectativas
altamente ritualizadas e institucionalizadas). Las relaciones pueden ser ms fuertes si
involucran muchos contextos diferentes o tipos de lazos. Totalizando los datos
nominales en funcin la presencia o ausencia de mltiples tipos de relaciones, surge
una escala ordinal (de hecho, un intervalo) de una dimensin que mide la fuerzade la
relacin. Las relaciones recprocas tambin parecen ser ms fuertes. Normalmente
podemos valorar la reciprocidad pidiendo a cada actor de una dada que nos diga sus
preferencias sobre los dems. Sin embargo, tambin se puede preguntar a cada actor
acerca de sus percepciones del grado de reciprocidad en una relacin: Quiere decir
que ustedes no se agradan mutuamente, que a usted le agrada ms X que usted a l,
que a X le agrada usted ms que l a usted, o que se agradan mutuamente?
Las escalas ordinales de medicin contienen ms informacin que las nominales. Es
decir, las puntuaciones reflejan sutiles diferencias de la fortaleza del lazo ms que una
simple presencia o ausencia. Esto debe verse como algo positivo. Sin embargo con
frecuencia es difcil aprovechar los datos ordinales. Los algoritmos ms comnmente
usados para el anlisis de redes sociales han sido diseados para datos binarios.
Muchos han sido adaptados para datos contnuos pero para escalas de intervalo
ms que para escalas ordinales de medicin. Los datos ordinales, en consecuencia, a
menudo son convertidos en binarios escogiendo algn punto de corte y
recodificndolos. De forma alternativa, los datos ordinales a veces son tratados como

20
si ellos fueran realmente intervalos. La primera estrategia, sin embargo, tiene el riesgo
de la adecuada seleccin de los puntos de corte; la ltima estrategia tambin tiene
riesgos ya que los intervalos de puntos separados en una escala ordinal pueden
resultar muy heterogneos.
Medidas ordinales del ranking de relaciones: A veces es posible puntuar la
fortaleza de todas las relaciones de un actor en un orden de posicin desde la ms
fuerte hasta la ms dbil. Por ejemplo, puedo pedir a cada informante que escriba un
1 junto al nombre de la persona en la clase que ms le agrada, un 2 junto al
nombre que le agrada en segundo trmino, etctera. La clase de escala que resultara
de esto, sera una escala total del orden de posiciones. Tales escalas reflejan las
diferencias de grado de intensidad, pero no necesariamente diferencias iguales es
decir, la diferencia entre mi primera y segunda selecciones no necesariamente es la
misma que la diferencia entre mi segunda y tercera selecciones. Cada relacin, sin
embargo, tiene una puntuacin nica (1era, 2da, 3era, etctera)
Las medidas ordinales del ranking de relaciones son poco frecuentes en la literatura
de anlisis de redes sociales, as como tambin en la mayora de las dems
orientaciones. En consecuencia, hay relativamente pocos mtodos, definiciones y
algoritmos que se beneficien especfica o totalmente de la informacin de tales
escalas. Muy a menudo, las medidas ordinales del ranking de relaciones son tratadas
como si fuesen intervalos. Existe la posibilidad de que sea menos arriesgado tratar las
medidas ordinales del ranking de relaciones (comparadas con las medidas ordinales
agrupadas) como si fuesen un intervalo, aunque tal suposicin es discutible. Por
supuesto, tambin es posible agrupar las puntuaciones del ranking de posiciones (por
ejemplo produciendo una escala ordinal agrupada), binarizar los datos (por ejemplo
las tres primeras elecciones sern tratadas como lazos, y las restantes como ausencia
de lazos). En la combinacin de informacin de mltiples tipos de lazos con
frecuencia es necesario simplificar las escalas de ranking de posiciones. Pero si
tenemos varias escalas de ranking que deseamos combinar para formar una escala
(por ejemplo posiciones de los gustos de las personas hacia los dems, frecuencia de
interaccin , etctera), la suma de tales escalas en un ndice puede ser
razonablemente tratado como una verdadera medida de intervalo.
Medidas de intervalo de relaciones. El nivel ms avanzado de medida nos permite
discriminar entre las relaciones informadas de forma tal que puede validarse su
estado, por ejemplo, este lazo es dos veces ms fuerte que este otro. Los lazos son

21
valorados en escalas en las que la diferencia entre un 1 y un 2 refleja la misma
diferencia real que entre 23 y 24.
Verdaderas medidas de intervalo de la fuerza de muchos tipos de relaciones son
relativamente fciles de construir con un poco de imaginacin y perseverancia. Pedir a
los informantes que informen de los detalles de la frecuencia o intensidad de lazos a
travs de mtodos como cuestionarios o entrevistas puede ser, sin embargo, menos
fiable particularmente si las relaciones rastreadas son poco destacables e
infrecuentes. Ms que preguntar si dos personas se comunican, uno puede contar el
nmero de entregas de correo electrnicos, llamadas telefnicas y correo interno entre
ellos. Ms que preguntar si dos naciones tienen intercambios con otra, debe
observarse las estadsticas de la balanza de pagos. En muchos casos, es posible
construir niveles de medida de intervalos de la fuerza de relaciones utilizando
herramientas de observacin (por ejemplo estadsticas recogidas para otros
propsitos).
Las medidas continuas de la fuerza de las relaciones permiten la aplicacin de un
amplio rango de herramientas matemticas y estadsticas para la exploracin y
anlisis de datos. Muchos de los algoritmos que han sido desarrollados por los
analistas de redes sociales, originalmente pensados para datos binarios, han sido
ampliados para aprovechar la informacin disponible en las medidas de intervalos.
Donde sea posible, las conexiones deben medirse en el nivel del intervalo en tanto
que siempre podemos movernos ms tarde a un enfoque menos refinado; en cambio,
si los datos se recogen en el nivel nominal, es mucho ms difcil moverse a un nivel
ms refinado.
An cuando es una buena idea medir la intensidad de la relacin en el nivel ms
refinado posible, la mayora de los anlisis de redes no trabajan en este nivel. La
comprensin ms importante de los anlisis de redes, y de muchos de las
herramientas matemticas y grficas utilizadas por los analistas de redes, fueron
desarrolladas para grafos simples (por ejemplo, binarios, indirectos). Muchas de las
descripciones de la insercin de los actores en sus redes, y de las redes en s
mismas, son pensadas en la literatura de redes comnmente en trminos discretos.
Como resultado, a menudo se busca reducir incluso los datos de intervalo al nivel
binario escogiendo un punto de corte y codificando la fortaleza del lazo por encima de
l con un 1, y con un 0 si est por debajo. Desafortunadamente, no hay una forma
correcta de escoger un punto de corte. La teora y los propsitos del anlisis
proporcionan la mejor gua para ello. A veces el examen de los datos puede ayudar

22
(quizs la distribucin de la fuerza de las relaciones es realmente bimodal discreta, y
muestra un punto de corte claro; quizs la distribucin est fuertemente sesgada y la
caracterstica principal es la distincin entre la presencia y la ausencia de relacin).
Cuando se escoge un punto de corte, es sensato considerar tambin valores
alternativos ms altos o ms bajos, y repetir el anlisis con diferentes puntos de corte
para ver si se afecta el sentido de los resultados. Esto puede ser tedioso, pero es muy
necesario. De otro modo, uno puede equivocarse al pensar que se ha encontrado un
patrn real, cuando slo se ha observado la consecuencia del punto en que hemos
decidido insertar el punto de corte.

UNA NOTA SOBRE LA ESTADSTICA Y LOS DATOS DE REDES SOCIALES
El anlisis de redes sociales en ms una rama de la sociologa matemtica que un
anlisis estadstico o cuantitativo, an cuando los especialistas en redes de hecho
trabajan con ambos enfoques. La distincin entre ambos enfoques no est muy clara.
Los enfoques matemticos del anlisis de redes tienden a tomar los datos como
determinsticos. Es decir, tienden a observar las relaciones medidas y la fortaleza de
la relacin, como si realmente reflejasen el estatus real, final o de equilibrio de la
red. Los enfoques matemticos tambin tienden a asumir que las observaciones no
son una muestra de una poblacin mayor de observaciones posibles, sino que las
observaciones son a menudo vistas como la poblacin de inters. Los estadsticos
tienden a observar las puntuaciones particulares de la fuerza de las relaciones como
resultado de una tendencia real destacable, o de una distribucin de probabilidad de la
fuerza de las relaciones. Los estadsticos tambin tienden a pensar en un conjunto
particular de datos de red como una muestra de una clase o poblacin mayor de
tales redes o elementos de red y tienen cuidado de que los resultados de su estudio
pueda reproducir en el estudio siguiente resultados similares.
En los captulos que siguen en este texto, nos vincularemos ms con el lado
matemtico del anlisis de redes que con el estadstico (de nuevo, es importante
recordar que expongo las diferencias en esta discusin). Antes de seguir con ello,
debemos mencionar un par de puntos importantes sobre la relacin entre el material
que se estudiar aqu y los enfoques estadsticos principales en sociologa.
Por un lado, hay una pequea diferencia aparente entre los enfoques estadsticos
convencionales y los enfoques de redes. Las herramientas estadsticas descriptivas

23
univariables, bivariables o incluso multivariables, se utilizan comnmente en la
descripcin, exploracin y modelado de datos de redes sociales. Los datos de redes
sociales, como hemos dicho antes, se representan fcilmente como matrices de
nmeros al igual que otros tipos de datos sociolgicos. Como resultado, los mismos
tipos de operaciones pueden hacerse con datos de redes y con los dems tipos de
datos. Los algoritmos de estadstica se utilizan con frecuencia para describir las
caractersticas de las observaciones individuales (por ejemplo, la fortaleza de lazo
mediana de un actor X con todos los dems en una red) y la red como un todo (por
ejemplo, la media de toda la fuerza de los lazos para todos los actores en la red). Los
algoritmos estadsticos se utilizan mucho en la evaluacin del grado de similaridad
entre los actores y si se encuentra patrones en los datos de la red (por ejemplo,
anlisis factorial, anlisis de clusters, escalado multidimensional). Incluso las
herramientas del modelado predictivo son aplicadas con frecuencia a los datos de
redes (por ejemplo, la correlacin y la regresin).
Las herramientas estadsticas descriptivas son de hecho algoritmos para sumariar las
caractersticas de las distribuciones de frecuencias. Es decir, son operaciones
matemticas. Donde la estadstica es realmente estadstica, es en el lado inferencial.
Es decir, cuando nuestra atencin se gira hacia la valoracin de la capacidad de
reproduccin o la probabilidad del patrn que describimos. La estadstica inferencial
puede ser, y de hecho es, aplicada al anlisis de datos reticulares. Pero hay algunas
diferencias muy importantes entre la esencia de la estadstica inferencial utilizada en
los datos de redes y aquella ms comnmente utilizada en los cursos bsicos de
anlisis estadstico en sociologa.
Probablemente el inters ms comn en la aplicacin de estadstica inferencial a los
datos de ciencias sociales consiste en responder a preguntas acerca de la estabilidad,
replicacin o generalizacin de los resultados observados en un muestra. La pregunta
central es: si se repite el estudio en una muestra diferente (extrada a travs del
mismo mtodo), que probabilidad existe que obtenga la misma respuesta acerca de lo
que ocurre en la poblacin de la cual he extrado ambas muestras? Es una pregunta
realmente importante -ya que ayuda a valorar la confianza (o la falta de sta) as como
la informacin que puede obtenerse poniendo a prueba nuestras teoras.
Para la mayora de las observaciones utilizadas en los anlisis de redes extradas de
alguna poblacin de actores y/o lazos identificable por mtodos de muestreo
probabilstico, se aplica el mismo tipo de pregunta sobre la posibilidad de
generalizacin de los resultados. A menudo este tipo de pregunta inferencial es de

24
menor inters para los investigadores de redes. En muchos casos, se encuentran
estudiando una red en particular o un conjunto de stas, y no tienen inters en
generalizar una poblacin de tales redes (bien porque no hay tal poblacin o porque
no interesa generalizarla de forma probabilstica). En otros casos, podemos tener
inters en generalizar, pero la muestra no ha sido extrada por mtodos estadsticos.
El anlisis de redes, a menudo confa en herramientas como la observacin directa,
experimentos de laboratorio y documentos como archivos de datos y
frecuentemente no hay formas plausibles de identificar poblaciones y extraer muestras
a travs de mtodos de probabilidad.
El otro uso principal de la estadstica inferencial en las ciencias sociales es la
contrastacin de hiptesis. En muchos casos se utilizan herramientas similares o
parecidas para la generalizacin y para la contrastacin de hiptesis. La lgica bsica
de la contrastacin de hiptesis es comparar un resultado observado en una muestra,
con algn valor de la hiptesis nula, relativa a la variabilidad del resultado de la
muestra bajo la suposicin de que la hiptesis nula es vlida. Si el ejemplo resulta
muy distinto de lo que debera observarse bajo la suposicin de que la hiptesis nula
es vlida, entonces la hiptesis nula probablemente no sea vlida.
La clave en la cadena inferencial de contrastacin de hiptesis, es la estimacin de los
errores estndar de las estadsticas. Es decir, la estimacin del monto estimado en
que el valor estadstico puede variar de una muestra a la otra, simplemente como
resultado de los errores de muestreo. Con poca frecuencia pueden observar o
calcularse directamente tales errores estndar ya que no disponemos de rplicas. Sin
embargo, la informacin de nuestra muestra sirve para estimar la variabilidad de la
muestra.
Muchos procedimientos estadsticos comunes permiten estimar los errores estndar
mediante aproximaciones muy bien validadas (por ejemplo el error estndar de una
media se estima, generalmente, por la desviacin estndar de la muestra dividida por
la raz cuadrada del tamao de la muestra). Estas aproximaciones, sin embargo, se
mantienen cuando se extraen observaciones de un muestreo aleatorio independiente.
Las observaciones de la red son, en su mayora, no independientes por definicin. En
consecuencia, las frmulas inferenciales convencionales no se aplican a los datos de
redes (aunque pueden aplicarse las frmulas desarrollados por otros tipos de
muestreo dependiente). Es particularmente peligroso asumir que tales frmulas se
pueden aplicar, ya que la no independencia de las observaciones de la red

25
usualmente resultarn en subestimaciones de la variabilidad real del muestreo, y
demasiada confianza en nuestros resultados.
El enfoque de la mayora de los analistas de redes interesados en inferencia
estadstica para contrastar hiptesis sobre propiedades de la red, es trabajar
directamente las distribuciones de probabilidad de los estadsticos. Se utiliza este
enfoque porque: 1) no se han desarrollado aproximaciones para las distribuciones de
muestreo de la mayora de las estadsticas descriptivas utilizadas por los analistas de
redes y 2) el inters a menudo se centra en la probabilidad de que un parmetro
relativo de alguna teora inicial (usualmente aleatoria) ms que en la probabilidad de
que una red dada sea tpica en la poblacin de todas las redes.
Supongamos, por ejemplo, que estamos interesados en la proporcin de actores
dentro de una red que son miembros de grupos o cualquier otro parmetro o
estadstica de la red. La nocin de grupo implica una estructura conexiones no
aleatorias entre los actores. Se tienen los datos sobre una red de diez nodos, en los
cuales hay 20 lazos simtricos entre los actores y se observa que hay un grupo que
contiene cuatro actores. La pregunta deductiva puede ser: si los lazos entre los
actores fueran eventos aleatorios, qu tan probable ser que esa red de diez nodos
y 20 lazos simtricos muestre grupos de tamao cuatro o ms? Si se concluye que los
grupos de tamao igual o mayor que cuatro en redes de este tamao y grado son
comunes, se debe ser cauteloso en concluir que se ha descubierto una estructura
de no-aleatoriedad. Si se concluye que tales grupos (aquellos ms numerosos o ms
inclusivos) son muy improbables bajo la suposicin de que los lazos son slo
aleatorios, entonces es muy acertado llegar a la conclusin de que existe una
estructura social.
Pero, cmo se determina esta probabilidad? Uno de los mtodos utilizados es la
simulacin y como la mayora de las simulaciones, se requiere una gran cantidad de
recursos y habilidades de programacin. En el caso anterior, se puede utilizar una
tabla de nmeros aleatorios para distribuir 20 lazos entre 10 actores, y entonces
buscar la red resultante para grupos de tamao cuatro o ms. Si no se encuentran
grupos, se asigna cero al ensayo; si se consigue un grupo, se asigna un uno. El resto
es simple. Slo repetir el experimento varios cientos de veces y aadir qu proporcin
de ensayos devienen xitos. La probabilidad de un xito entre estos experimentos
de simulacin es un buen estimador de la probabilidad de que pueda encontrarse una
red de este tamao y densidad, teniendo grupos de este tamao slo por accidente

26
cuando los mecanismos causales no-aleatorios que se cree causa el grupo no operan
de hecho.
Esto puede parecer extrao, y es ciertamente un gran trabajo (la mayora del cual,
afortunadamente, puede ser hecho por ordenador). Pero realmente, no es muy
diferente de la lgica de la prueba de hiptesis con datos que no sean reticulares. Los
datos de redes sociales tienden a diferir de los datos de encuestas ms
convencionales, en algunas formas claves: los datos de redes a menudo no son
muestras probabilsticas, y las observaciones de los nodos individuales no son
independientes. Estas diferencias son importantes para las preguntas sobre la
generalizacin de los hallazgos y sobre los mecanismos de contrastacin de hiptesis.
Sin embargo, no hay nada sustancialmente distinto sobre la lgica del uso de la
estadstica descriptiva e inferencial para datos de redes sociales.
La aplicacin de la estadstica a los datos de redes sociales es un rea interesante y,
en el momento de redactar este trabajo, es un campo en desarrollo. En tanto en
cuanto este texto se centra en los usos bsicos y comunes del anlisis de redes, no
hemos de decir mucho ms acerca de la estadstica. Mucho de lo que sigue en el libro
puede relacionarse con el lado descriptivo de la estadstica (desarrollando ndices
para describir ciertos aspectos de la distribucin de lazos relacionales entre actores en
redes). Para aquellos interesados en el lado inferencial, un buen punto de partida es la
segunda mitad del excelente libro de Wasserman y Faust.

Você também pode gostar